Luận Văn Thạc Sĩ CNTT: Nghiên Cứu & Ứng Dụng Deep Learning Phát Hiện Người Xâm Nhập

LỜI CAM ĐOAN

1. CHƯƠNG 1: TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ, HỌC MÁY VÀ HỌC SÂU

1.1. Xử lý ảnh và các vấn đề cơ bản về xử lý ảnh

1.2. Các vấn đề cơ bản về xử lý ảnh

1.3. Ảnh số và điểm ảnh

1.4. Nắn chỉnh biến dạng

1.5. Một số phương pháp xử lý ảnh số

1.6. Các kỹ thuật lọc nhiễu

1.6.1. Kỹ thuật lọc trung bình

1.6.2. Kỹ thuật lọc trung vị

1.6.3. Lọc thông thấp

1.6.4. Lọc thông cao

1.7. Kỹ thuật phân ngưỡng

1.7.1. Kỹ thuật phân ngưỡng tự động

1.8. Phương pháp sử dụng các điểm biên

1.8.1. Một số kĩ thuật phát hiện biên

1.8.1.1. Kỹ thuật gradient

1.8.1.2. Kỹ thuật Laplace

1.8.1.3. Kỹ thuật sobel

1.8.1.4. Kỹ thuật prewitt

1.9. Các giải thuật học máy

1.10. Các ứng dụng của học máy

1.11. Cách thức hoạt động của học sâu

1.12. Các ứng dụng phổ biến của học sâu

1.12.1. Máy bay không người lái và xe ô tô tự hành

1.12.2. Chatbots và dịch vụ bots

1.12.3. Tô màu hình ảnh

1.12.4. Nhận dạng khuôn mặt

1.12.5. Y học và dược phẩm

1.12.6. Mua sắm và giải trí được cá nhân hóa

2. CHƯƠNG 2: TỔNG QUAN CÁC PHƯƠNG PHÁP NHẬN DẠNG ĐỐI TƯỢNG, PHÁT HIỆN NGƯỜI VÀ KHUÔN MẶT TRÊN ẢNH

2.1. Đặc điểm các loại đối tượng và người

2.2. Các phương pháp nhận dạng đối tượng hiện nay

2.2.1. Phương pháp dựa trên cơ sở tri thức

2.2.2. Phương pháp dựa trên đặc trưng bất biến

2.2.3. Phương pháp dựa trên so khớp mẫu

2.2.4. Phương pháp dựa trên diện mạo

2.3. Các kỹ thuật phát hiện người

2.4. Các kỹ thuật phát hiện khuôn mặt

3. CHƯƠNG 3: THUẬT TOÁN PHÁT HIỆN NGƯỜI VÀ KHUÔN MẶT SỬ DỤNG MẠNG NƠ-RON TÍCH CHẬP, YOLOV3 VÀ THUẬT TOÁN VIOLA-JONES

3.1. Kỹ thuật nhận dạng đối tượng bằng mạng nơ-ron tích chập

3.1.1. Lớp tích chập (Convolution Layer)

3.1.2. Lớp chuyển đổi (ReLU Layer)

3.1.3. Lớp tổng hợp (Pooling Layer)

3.1.4. Lớp kết nối đầy đủ (Fully-Connected Layer)

3.1.5. Các bước thực hiện nhận dạng đối tượng bằng mạng nơ-ron tích chập

3.2. Kỹ thuật nhận dạng đối tượng bằng YOLOv3

3.2.1. Kiến trúc mạng YOLO

3.2.2. Các phiên bản của YOLO

3.2.3. Nhận dạng đối tượng bằng YOLOv3

3.3. Kỹ thuật phát hiện khuôn mặt Viola-Jones

3.3.1. Các đặc trưng Haar-Like

3.3.2. Sơ đồ tìm kiếm khuôn mặt

4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ ÁP DỤNG TRONG THỰC TẾ

4.1. Mô hình hệ thống dự kiến

4.2. Thuật toán tìm người và khuôn mặt đề xuất

4.2.1. Thuật toán tìm người và khuôn mặt trên ảnh tĩnh

4.2.1.1. Mô hình thuật toán

4.2.2. Thuật toán tìm người và khuôn mặt trên video

4.2.2.1. Mô hình thuật toán

4.2.2.2. Chú thích bằng lời

4.3. Kết quả thực nghiệm

4.4. Đánh giá kết quả

4.5. Kết luận và hướng phát triển

TÀI LIỆU THAM KHẢO

I. Tính cấp thiết của đề tài

Đề tài 'Nghiên Cứu & Ứng Dụng Deep Learning Phát Hiện Người Xâm Nhập' được hình thành trong bối cảnh an ninh ngày càng trở nên quan trọng. Việc sử dụng camera giám sát tại các cơ quan nhà nước tại Bà Rịa-Vũng Tàu hiện nay chủ yếu chỉ dừng lại ở việc ghi lại hình ảnh mà chưa có khả năng tự động phát hiện và cảnh báo các hành vi xâm nhập trái phép. Điều này dẫn đến nhu cầu cấp thiết trong việc ứng dụng công nghệ học sâu (Deep Learning) để cải thiện khả năng phát hiện và cảnh báo. Hệ thống giám sát hiện tại chưa đáp ứng được yêu cầu an ninh, đặc biệt trong các tình huống khẩn cấp. Việc áp dụng các thuật toán học sâu có thể giúp tăng cường độ chính xác trong việc phát hiện người xâm nhập, từ đó nâng cao hiệu quả giám sát an ninh.

II. Mục tiêu của đề tài

Mục tiêu tổng quát của đề tài là nghiên cứu và ứng dụng thành công công nghệ học sâu để hỗ trợ việc giám sát, phát hiện và cảnh báo người xâm nhập tại Trung tâm Hành chính tỉnh Bà Rịa-Vũng Tàu. Mục tiêu cụ thể bao gồm việc xây dựng mô hình phát hiện người trên ảnh tĩnh dựa trên mạng nơ-ron tích chập (CNN) và thuật toán nhận dạng đối tượng (YOLOv3). Ngoài ra, đề tài còn hướng đến việc phát triển mô hình trích xuất khuôn mặt người trên ảnh tĩnh và video. Việc áp dụng mô hình này trong thực tế sẽ giúp nâng cao khả năng phát hiện và cảnh báo, từ đó đảm bảo an ninh cho các cơ quan nhà nước.

III. Tổng quan về lĩnh vực nghiên cứu

Lĩnh vực nghiên cứu bao gồm các phương pháp nhận dạng đối tượng và phát hiện người trong ảnh tĩnh và video. Nhận dạng đối tượng là quá trình phân loại các đối tượng dựa trên các mẫu đã biết. Các thuật toán hiện nay chủ yếu áp dụng cho ảnh tĩnh, do đó cần tách các khung hình từ video để áp dụng. Việc áp dụng các phương pháp hiện đại như R-CNN, YOLO, và SSD đã mang lại những bước tiến lớn trong việc phát hiện đối tượng với độ chính xác cao. Các nghiên cứu trước đây đã chứng minh hiệu quả của các phương pháp này trong nhiều lĩnh vực, từ an ninh đến quản lý nhân sự.

IV. Kỹ thuật phát hiện người và khuôn mặt

Đề tài sử dụng các kỹ thuật phát hiện người và khuôn mặt dựa trên mạng nơ-ron tích chập và thuật toán Viola-Jones. Kỹ thuật nhận dạng đối tượng bằng mạng nơ-ron tích chập (CNN) cho phép xử lý hình ảnh một cách hiệu quả, trong khi thuật toán Viola-Jones cung cấp một phương pháp nhanh chóng và chính xác để phát hiện khuôn mặt. Việc kết hợp các kỹ thuật này sẽ tạo ra một hệ thống giám sát an ninh mạnh mẽ, có khả năng phát hiện người xâm nhập trong thời gian thực. Điều này không chỉ giúp nâng cao độ tin cậy của hệ thống giám sát mà còn giảm thiểu các cảnh báo sai lệch.

V. Kết quả thực nghiệm và ứng dụng thực tế

Kết quả thực nghiệm cho thấy mô hình phát hiện người và khuôn mặt hoạt động hiệu quả trong các điều kiện thực tế. Hệ thống đã được triển khai tại Trung tâm Hành chính tỉnh Bà Rịa-Vũng Tàu, cho phép phát hiện người xâm nhập và cảnh báo kịp thời. Việc áp dụng công nghệ học sâu không chỉ nâng cao khả năng giám sát mà còn tạo ra một giải pháp an ninh thông minh, giúp bảo vệ tài sản và an toàn cho các cơ quan nhà nước. Kết quả này mở ra hướng đi mới cho việc ứng dụng công nghệ trong lĩnh vực an ninh.

Luận Văn Thạc Sĩ Công Nghệ Thông Tin: Nghiên Cứu Và Ứng Dụng Deep Learning Để Phát Hiện Người Xâm Nhập